面向AI原生世界的计算机科学课程AI韧性评估

高年级计算机科学课程及相关领域的AI原生课程评估应根据学生的AI韧性技能进行评分：即超越强大AI基线的成果能力。此类评估应允许学生自由使用AI，同时减少更大的私人AI预算或更密集的AI使用本身成为评分优势的程度。本文为实现这一目标提出了一个最小形式化框架。该框架指定了一个真实任务、一个可执行评估器、一个声明的AI原生帕累托前沿，以及一个基于帕累托盈余的评分规则。核心主张很简单：帕累托盈余提供了一个可测量的、协议相对的证书，证明提交的工件实现了声明的AI基线未提供的权衡，并且基于该盈余的评分相对于该基线是AI韧性的。将盈余解释为学生技能的证据需要周围的评估协议——例如，设计报告、消融、提示痕迹、口头检查或可复现性解释——但评分证书本身是行为性的和可执行的。该框架随后扩展到实际复杂性，包括自我改进的AI循环、预算中性、服务器中介反馈和基于提示的红队测试。作为一个具体实例，我们描述了莱斯大学COMP 480/580课程中一个以布隆过滤器为中心的AI韧性近似成员资格作业，旨在测试学生是否能超越AI生成的实现进行改进。